RL1-Intro

1。 强化学习概述

这里不赘述基本概念了，只强调重点：

Barto在IJCAI2018做了名为“A History of Reinforcement Learning”的专题分享,感兴趣可以去看。

• 没有监督数据，只有奖励信号。
  无监督学习（Unsupervised Learning） 是一个典型的寻找未标注数据中隐含结构的过程。强化学习有时候会被认为是一种无监督学习的方式，但是他们是有区别的。 强化学习的主要目的是最大化收益信号，而不是寻找数据的隐含结构。虽然无监督学习通过智能体寻找隐含结构对强化学习很有意义，但是这并不能解决最大化收益信号的问题。所以强化学习 Reinforcement Learning是在监督学习与无监督学习之外的第三种机器学习范式。

• 奖励信号不一定是实时的，可能是延后的，可能延后很多。

• 序列性, 时间是一个重要因素。

• 当前的行为影响到后续的数据。

2. 重要概念

观测（Observation）

观测（Observation）是指观测到或能感知到的所有参数的集合，如通过摄像头采集的图像，通过传感器获取的各种信号，Ot表示t时刻的观测结果。对于空调的控制，观测数据可以是环温、制冷（热）量、COP、室内温度、设定温度、水流量、电费等。

Action

状态（state）

State分为环境State，智能体State和信息State：

• 环境State

  • 环境状态Ste是对环境t时刻具体情景的完备性描述，事实上我们无法获得也没有必要获得环境状态的完备性描述，一方面是因为很多参数是不可测或无法获得的，另一方面是因为一些环境状态数据与控制无关。

  • 是环境的私有表示

  • 是一些环境用来挑选下一步观察和奖励的数据

  • 环境State并不总是对智能体可见

  • 即使可见，也可能包含一些对任务无关的信息

• 智能体State

  • 智能体状态Sta则是t时刻所有环境状态中与智能体（Agent）相关的部分，或者说与设计最优智能体相关的最小状态包络，即只包含影响游戏最终结果的最简完备信息，通常Sta⊆Ste。

  • 它是智能体的内部表示

  • 包含一些智能体用来挑选下一步动作的信息

  • 智能体State是我们强化学习算法需要的状态

  • 他可以是history的任何函数： Sat = f (Ht)

• 信息State

  • 它包含历史中所有的有用的信息

  • 也称为Markov State，马尔科夫状态

  • 既然叫马尔科夫状态，也就是说，下一个状态只依赖于当前状态

  • 环境State也是马尔科夫的 history也是马尔科夫的

奖励（reward）：

标量。用于反映agent在t时刻的表现。根据奖励假设，深度学习问题都可以变为最大化累积奖励的问题。奖励可能且通常是延迟的。

个体和环境（agent & environment）：

agent是算法和环境交换信息的接口。agent从环境接收observation和reward，并且向环境输出action。而环境则接受action，给出observation和reward。

• 完全可观测的环境（fully observable environment）：个体能够直接观测到环境状态。在这种条件下，个题对环境的观测=个体状态=环境状态。这种问题是一个MDP问题。
• 部分可间接观测的环境（partially observable environment）：个体间接观测环境。在这种条件下，个体状态≠环境状态，个体必须构建他自己的状态呈现形式。例如：beliefs of environment state、recurrent neural network(RNN)